Development of advanced methods for the simulation of the reacting mixture formation in internal combustion engines with the use of machine learning algorithms

Besides increasing the share of electric and hybrid vehicles, in order to comply with more stringent environmental protection limitations, in the mid-term the auto industry must improve the efficiency of the internal combustion engine and the well to wheel efficiency of the employed fuel. To achieve this target, a deeper knowledge of the phenomena that influence the mixture formation and the chemical reactions involving new synthetic fuel components is mandatory, but complex and time intensive to perform purely by experimentation. Therefore, numerical simulations play an important role in this development process, but their use can be effective only if they can be considered accurate enough to capture these variations. The most relevant models necessary for the simulation of the reacting mixture formation and successive chemical reactions have been investigated in the present work, with a critical approach, in order to provide instruments to define the most suitable approaches also in the industrial context, which is limited by time constraints and budget evaluations. To overcome these limitations, new methodologies have been developed to conjugate detailed and simplified modelling techniques for the phenomena involving chemical reactions and mixture formation in non-traditional conditions (e.g. water injection, biofuels etc.). Thanks to the large use of machine learning and deep learning algorithms, several applications have been revised or implemented, with the target of reducing the computing time of some traditional tasks by orders of magnitude. Finally, a complete workflow leveraging these new models has been defined and used for evaluating the effects of different surrogate formulations of the same experimental fuel on a proof-of-concept GDI engine model.

La perdita di chance nel prisma del danno non patrimoniale

Il danno da perdita di chance rappresenta la categoria giuridica di cui la giurisprudenza si serve per ampliare i confini della tutela risarcitoria, in diversi casi in cui, alla stregua dell’impostazione dogmatica tradizionale, non potrebbe dirsi configurabile un danno-conseguenza (né sotto forma di danno emergente, né sotto forma di lucro cessante). Lo studio, una volta delimitato il campo dell’indagine e dato conto delle opinioni dottrinali sulla ricostruzione della figura, ha preso le mosse dall’illustrazione degli orientamenti della giurisprudenza, la quale, a partire dagli anni ’80 del secolo scorso, è andata via via applicando l’istituto nei settori del diritto del lavoro, della responsabilità professionale (in particolare dell’avvocato), e del danno alla persona (nel quale ultimo si è messo in luce come il danno da perdita di chance possa rivestire funzione unicamente descrittiva di tipologie di pregiudizio riconducibili alle “tradizionali” voci di danno). Nel secondo capitolo si è analiticamente esaminata la fattispecie del danno da perdita di chance, alla luce delle categorie e dei principi generali della responsabilità civile, vagliando i margini di “armonizzabilità” dell’istituto rispetto alle classificazioni in termini di danno emergente/lucro cessante, danno presente/futuro, danno-evento/danno-conseguenza, nonché rispetto alle regole sulla causalità, al requisito dell’ingiustizia del danno, e alle tecniche di liquidazione del danno. Nell’ultimo capitolo, si è proceduto, poi, a “calare” l’istituto del danno da perdita di chance nel “sottosettore” della responsabilità sanitaria, sottoponendo a verifica la “tenuta teorica” della sua “variante” non patrimoniale al cospetto della recente novella legislativa rappresentata dalla l. n. 24/17, nonché degli orientamenti giurisprudenziali che, negli ultimi due anni, hanno interessato i temi dell’onere della prova del nesso causale e dello stesso danno da perdita di chance non patrimoniale. A conclusione dello studio, si sono svolte, infine, alcune considerazioni sulle criticità che precludono un’armonica “riconduzione a sistema” dell’istituto, consigliandone il definitivo abbandono.

La moltiplicazione relazionale dei non imparentati. Un'etnografia delle attese di genitorialità e filiazione intorno alla categoria giuridica di "minore straniero non accompagnato" in Italia.

Sulla spinta dell’approvazione della legge italiana 47/2017 “Disposizioni in materia di misure di protezione dei minori stranieri non accompagnati”, questo lavoro è teso ad affrontare le complesse aspettative genitoriali e parentali sviluppatesi intorno al processo di categorizzazione MSNA di cui questa legge è diventata approdo giuridico. Le controverse aspettative di accompagnamento legatesi alla denominazione di “non accompagnato”, prese come aspetto scontato e assiomatico in molta parte della letteratura scientifica che utilizza l’acronimo, sono state qui intese come un nodo ambiguo e questionabile. Attraverso una ricerca e una metodologia antropologico-etnografica queste rappresentazioni contradditorie sono esplorate a partire da un “crocevia di campi” da queste interessati in un territorio amministrativo dell’Italia Settentrionale variamente frequentato tra 2018 e 2021. Insieme ad ambienti, metodi e sfide della ricerca locale, una prima sezione situa storicamente e contestualmente la categoria MSNA come fenomeno in sé piuttosto che come efficace espressione descrittiva di soggetti. Le due sezioni successive, dedicate rispettivamente alla neo-realtà di tutela volontaria e a quella di una comunità socio-educativa/di tipo familiare rivolta a persone di minore età, interrogano invece questi ambienti come spazi e tempi di elaborazione prima e negoziazione poi di rappresentazioni e pratiche relazionali e parentali molteplici.

Data driven regularization models of non-linear ill-posed inverse problems in imaging

Imaging technologies are widely used in application fields such as natural sciences, engineering, medicine, and life sciences. A broad class of imaging problems reduces to solve ill-posed inverse problems (IPs). Traditional strategies to solve these ill-posed IPs rely on variational regularization methods, which are based on minimization of suitable energies, and make use of knowledge about the image formation model (forward operator) and prior knowledge on the solution, but lack in incorporating knowledge directly from data. On the other hand, the more recent learned approaches can easily learn the intricate statistics of images depending on a large set of data, but do not have a systematic method for incorporating prior knowledge about the image formation model. The main purpose of this thesis is to discuss data-driven image reconstruction methods which combine the benefits of these two different reconstruction strategies for the solution of highly nonlinear ill-posed inverse problems. Mathematical formulation and numerical approaches for image IPs, including linear as well as strongly nonlinear problems are described. More specifically we address the Electrical impedance Tomography (EIT) reconstruction problem by unrolling the regularized Gauss-Newton method and integrating the regularization learned by a data-adaptive neural network. Furthermore we investigate the solution of non-linear ill-posed IPs introducing a deep-PnP framework that integrates the graph convolutional denoiser into the proximal Gauss-Newton method with a practical application to the EIT, a recently introduced promising imaging technique. Efficient algorithms are then applied to the solution of the limited electrods problem in EIT, combining compressive sensing techniques and deep learning strategies. Finally, a transformer-based neural network architecture is adapted to restore the noisy solution of the Computed Tomography problem recovered using the filtered back-projection method.